WO2013088707A1 - 辞書学習装置、パターン照合装置、辞書学習方法および記憶媒体 - Google Patents

辞書学習装置、パターン照合装置、辞書学習方法および記憶媒体 Download PDF

Info

Publication number
WO2013088707A1
WO2013088707A1 PCT/JP2012/007929 JP2012007929W WO2013088707A1 WO 2013088707 A1 WO2013088707 A1 WO 2013088707A1 JP 2012007929 W JP2012007929 W JP 2012007929W WO 2013088707 A1 WO2013088707 A1 WO 2013088707A1
Authority
WO
WIPO (PCT)
Prior art keywords
pattern
matching
dictionary
score
quality
Prior art date
Application number
PCT/JP2012/007929
Other languages
English (en)
French (fr)
Inventor
雅人 石井
Original Assignee
日本電気株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 日本電気株式会社 filed Critical 日本電気株式会社
Priority to JP2013549117A priority Critical patent/JP6065842B2/ja
Priority to US14/364,467 priority patent/US9262694B2/en
Publication of WO2013088707A1 publication Critical patent/WO2013088707A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/772—Determining representative reference patterns, e.g. averaging or distorting patterns; Generating dictionaries
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/20—Speech recognition techniques specially adapted for robustness in adverse environments, e.g. in noise, of stress induced speech

Definitions

  • the present invention relates to a technique related to a quality dictionary used for pattern matching.
  • the pattern matching is a process for determining whether or not a plurality of patterns to be verified are the same pattern using an image such as a face or a fingerprint or a waveform of an audio signal as a pattern.
  • This pattern matching is a technique that is particularly important in the field of biometric authentication.
  • a collation score indicating how similar two patterns to be collated are calculated.
  • a matching score is calculated using a feature vector extracted from a pattern to be matched and a feature vector group called an identification dictionary prepared in advance.
  • the identification dictionary is often generated by machine learning using a large number of pattern examples.
  • the collation score is compared with a threshold value, and the collation result (that is, whether the two patterns to be collated are the same) is determined based on this comparison. In this way, pattern matching is performed.
  • the problem is a problem caused by deterioration of pattern quality (in other words, unclearness (unclearness)). That is, depending on the degree of pattern quality degradation, information necessary for collation (for example, information indicating features such as a face and a fingerprint) may be lost. For example, if the face image is blurred and unclear, any person will have a similar face image. For this reason, in face matching based on a blurred face image, an erroneous determination is likely to occur in which it is determined that the two face images to be compared are the same even though they are not images of the same person.
  • unclearness unclearness
  • Patent Document 1 Japanese Patent Laid-Open No. 2010-129045 discloses a technique for detecting (determining) a fingerprint image as information for estimating pattern quality in fingerprint matching.
  • Japanese Patent Application Laid-Open No. 2011-002494 discloses a technique for estimating a sound quality level as information for estimating pattern quality in speech recognition.
  • Patent Document 3 Japanese Patent Application Laid-Open No. 2007-140823
  • conditions for example, lighting environment, face orientation, and presence / absence of wearing items (eg, sunglasses)
  • sunglasses wearing items
  • Patent Document 4 Japanese Patent Application Laid-Open No. 2006-072553 discloses a technique for performing verification after correcting an image when the input image is unclear in biometric authentication.
  • Patent Document 5 Japanese Patent Laid-Open No. 2008-107408 discloses a technique for performing speech recognition processing in consideration of the surrounding environment in speech recognition.
  • Patent Document 1 JP 2010-129045 [Patent Document 2] JP 2011-002494 [Patent Document 3] JP 2007-140823 [Patent Document 4] JP 2006-072553 [Patent Document 3] Reference 5] Japanese Patent Application Laid-Open No. 2008-107408
  • pattern matching is a technique employed in authentication techniques such as biometric authentication. For this reason, it is assumed that an erroneous determination in pattern matching becomes a big problem. For this reason, pattern matching is required to be more accurate.
  • the present invention has been made to solve the above problems. That is, a main object of the present invention is to provide a technique capable of further improving the accuracy of pattern matching.
  • the dictionary learning apparatus of the present invention A score calculation means for calculating a matching score indicating a degree of similarity between a sample pattern that is a sample of a pattern to be subjected to pattern matching and a degradation pattern obtained by performing degradation processing on the sample pattern; Learning means for learning a quality dictionary used in the process of evaluating the deterioration state of the pattern to be verified, which is a pattern to be subjected to pattern matching, based on the calculated matching score and the deterioration pattern.
  • the pattern matching device of the present invention is A quality dictionary learned by the dictionary learning device of the present invention; Quality evaluation means for evaluating a deterioration state of a pattern to be verified, which is a pattern to be subjected to pattern matching, based on the quality dictionary; Score calculating means for calculating a matching score indicating a degree of similarity between the plurality of matching target patterns based on a process corresponding to a process in which the dictionary learning device calculates a matching score; Score correction means for correcting the matching score using an evaluation result by the quality evaluation means; Determination means for determining a collation result of the collation target pattern based on the collation score after correction.
  • the computer calculates a matching score indicating the degree of similarity between the sample pattern that is a sample of the pattern to be subjected to pattern matching and the deterioration pattern obtained by performing deterioration processing on the sample pattern, Based on the calculated matching score and the deterioration pattern, the computer learns a quality dictionary used in the process of evaluating the deterioration state of the matching target pattern that is the pattern to be subjected to pattern matching.
  • the storage medium of the present invention is On the computer, A process of calculating a matching score indicating a similarity between a sample pattern that is a sample of a pattern to be subjected to pattern matching and a deterioration pattern obtained by performing deterioration processing on the sample pattern; A control procedure for executing a process of learning a quality dictionary used in a process for evaluating a deterioration state of a pattern to be verified, which is a pattern to be subjected to pattern matching, based on the calculated matching score and the deterioration pattern Is remembered.
  • the main object of the present invention is also achieved by a dictionary learning method corresponding to the dictionary learning apparatus of the present invention having the above-described configuration.
  • the main object of the present invention is also achieved by a computer program that implements the dictionary learning apparatus and the corresponding dictionary learning method of the present invention using a computer, and a computer-readable storage medium that stores the computer program. .
  • the accuracy of pattern matching can be further improved. This makes it possible to provide a highly reliable pattern matching device.
  • FIG. 1 is a block diagram showing a simplified configuration of the dictionary learning apparatus according to the first embodiment of the present invention.
  • FIG. 2 is a block diagram showing a simplified configuration of a pattern matching device using a quality dictionary learned by the dictionary learning device of the first embodiment.
  • FIG. 3 is a block diagram showing a simplified configuration of the dictionary learning apparatus according to the second and third embodiments of the present invention.
  • FIG. 4 is a flowchart illustrating an example of processing related to dictionary learning performed by the dictionary learning device according to the second embodiment.
  • FIG. 5 is a block diagram showing a simplified configuration of the pattern matching apparatus according to the fourth embodiment of the present invention.
  • FIG. 6 is a flowchart illustrating an example of a matching process executed by the pattern matching apparatus according to the fourth embodiment.
  • FIG. 1 is a block diagram showing a simplified configuration of the dictionary learning apparatus according to the first embodiment of the present invention.
  • the dictionary learning device 1 according to the first embodiment is a device (for example, a computer) that learns (generates by machine learning) a quality dictionary used when pattern matching is performed.
  • the dictionary learning device 1 includes a score calculation unit (score calculation unit) 2 and a learning unit (learning unit) 3.
  • the score calculation unit 2 has a function of calculating a matching score indicating the degree of similarity between a sample pattern that is a sample of a pattern to be subjected to pattern matching and a deterioration pattern obtained by performing deterioration processing on the sample pattern.
  • the learning unit 3 has a function of learning a quality dictionary based on the collation score calculated by the score calculation unit 2 and the deterioration pattern.
  • the quality dictionary is a dictionary used in a process for evaluating a deterioration state (quality) of a pattern to be verified that is a pattern in a pattern matching mode in a pattern matching device.
  • FIG. 2 is a block diagram showing a simplified configuration example of a pattern matching device that uses the quality dictionary generated by the dictionary learning device 1.
  • the pattern matching device 5 includes a score calculation unit (score calculation unit) 6, a quality evaluation unit (quality evaluation unit) 7, a score correction unit (score correction unit) 8, a determination unit (determination unit) 9, a quality And a dictionary 10.
  • the quality dictionary 10 is a dictionary previously learned (generated) by the dictionary learning device 1 described above.
  • the score calculation unit 6 has a function of calculating a collation score indicating a similarity between a plurality of patterns to be collated by a process similar to the process in which the score calculation unit 2 constituting the dictionary learning device 1 calculates a collation score. Yes.
  • the quality evaluation unit 7 has a function of evaluating (calculating) the degradation state (quality) of the verification target pattern using the quality dictionary 10.
  • the score correction unit 8 has a function of correcting the collation score calculated by the score calculation unit 6 using the evaluation result of the quality evaluation unit 7.
  • the determination unit 9 has a function of determining a verification result based on the corrected verification score.
  • the dictionary learning device 1 and the pattern matching device 5 of the first embodiment can obtain the following effects.
  • Patent Documents 1-3 described above merely evaluate the deterioration state of the pattern itself such as image quality and sound quality, and do not evaluate the deterioration state (quality) of the pattern from the viewpoint of pattern matching.
  • the dictionary learning device 1 according to the first embodiment generates a quality dictionary by machine learning using a matching score indicating a similarity between patterns used in pattern matching.
  • the evaluation result of the pattern to be verified is a result in consideration of pattern matching.
  • pattern quality evaluation specialized for pattern matching can be realized.
  • the pattern matching device 5 can evaluate the deterioration state (quality) of the pattern to be verified in consideration of pattern matching in this way. From this, the pattern matching apparatus 5 can further improve the accuracy of pattern matching using the evaluation result. Thereby, the reliability of the pattern collation apparatus 5 can be improved more.
  • FIG. 3 is a block diagram showing a simplified configuration of the dictionary learning apparatus according to the second embodiment.
  • the dictionary learning device 20 includes a control device 21 and a storage device 22.
  • the storage device 22 includes a storage medium (nonvolatile storage medium) 22A such as a hard disk.
  • the storage medium 22A stores various data and computer programs (hereinafter also abbreviated as programs).
  • One of the data stored in the storage medium 22A is an identification dictionary 23.
  • This identification dictionary 23 is a dictionary used in processing for calculating a matching score, which will be described later.
  • a program 24 that shows a procedure for the dictionary learning device 1 to learn a dictionary.
  • data and programs stored in the storage medium 22A may be stored in a portable storage medium.
  • the program 24 may be written in the storage medium 22A by being read into the dictionary learning device 20 from a portable storage medium.
  • the control device 21 has, for example, a CPU (Central Processing Unit).
  • the control device 21 controls the overall operation of the dictionary learning device 20 by operating according to the program read from the storage device 22. Specifically, the control device 21 implements the following functions by executing the program 24. That is, the control device 21 includes a receiving unit (receiving unit) 26, a deterioration processing unit (deterioration processing unit) 27, a score calculation unit (score calculation unit) 28, a feature extraction unit (feature extraction unit) 29, and learning. Part (learning means) 30.
  • the reception unit 26 has a function of receiving a sample pattern (learning pattern).
  • the sample pattern is a sample of a pattern to be subjected to pattern matching (a pattern that can be a pattern matching target).
  • the degradation processing unit 27 has a function of performing degradation processing on the received sample pattern.
  • the sample pattern subjected to the degradation process is referred to as a degradation pattern here. That is, the degradation processing unit 27 has a function of generating a degradation pattern by performing degradation processing on the sample pattern.
  • the deterioration processing for example, when the sample pattern is an image, there is smoothing (processing for blurring the image).
  • a signal for example, an audio signal
  • the feature extraction unit 29 has a function of extracting features from each of the sample pattern and its degradation pattern.
  • the extracted features include a pixel value of the image, a filter response (for example, a Gabor filter or a Sobel filter), and the like.
  • the score calculation unit 28 calculates a matching score s using the combination of the features (sample pattern and deterioration pattern features) extracted by the feature extraction unit 29 and the identification dictionary 23 stored in the storage device 22. To do.
  • the matching score s can be calculated based on the following mathematical formula (1).
  • x in Equation (1) represents a feature vector obtained by converting the feature of the sample pattern extracted by the feature extraction unit 29 into a vector.
  • y represents a feature vector obtained by converting the feature of the degradation pattern extracted by the feature extraction unit 29 into a vector.
  • ⁇ d represents the identification dictionary 23.
  • the identification dictionary 23 there is a matrix that projects a feature vector onto a low-dimensional subspace.
  • the learning unit 30 has a function of learning (generating) a quality dictionary based on a deterioration pattern (feature extracted from the deterioration pattern) and a matching score calculated based on the deterioration pattern.
  • the quality dictionary is a dictionary that estimates a collation score between a deterioration pattern and a non-deterioration virtual pattern corresponding to the deterioration pattern.
  • the learning unit 30 learns the quality dictionary ⁇ q in the equation (2) so that the following equation (2) is established.
  • Equation (2) q represents a predetermined function, and ⁇ q represents a quality dictionary.
  • the matching score s used in the process of learning the quality dictionary ⁇ q is a corrected matching score obtained by correcting the matching score s calculated by the score calculation unit 28 according to the quality of the sample pattern and the deterioration pattern. May be.
  • FIG. 4 is a flowchart showing an example of a dictionary learning operation (processing) executed by the dictionary learning device 20 of the second embodiment. This flowchart represents an example of a control procedure of a program executed by the control device 21 in the dictionary learning device 20.
  • the control device 21 receives the sample pattern (step S101 in FIG. 4). Then, the control device 21 (degradation processing unit 27) performs a degradation process on the sample pattern to generate a degradation pattern (step S102). Thereafter, the control device 21 (feature extraction unit 29) extracts the feature of the generated degradation pattern. In addition, the control device 21 (feature extraction unit 29) also extracts the features of the sample pattern itself that is not subjected to the deterioration process (step S103).
  • control device 21 uses the identification dictionary 23, and based on the combination (x, y) of the extracted features (features of the sample pattern and the degradation pattern), the matching score s (that is, Then, a score representing the degree of similarity between the sample pattern and the degradation pattern corresponding to the sample pattern is calculated (step S104). Thereafter, the control device 21 (learning unit 30) learns the quality dictionary ⁇ q by a learning method such as regression analysis based on the deterioration pattern and the matching score s calculated based on the deterioration pattern. (Step S105).
  • the dictionary learning device 20 of the second embodiment also generates a quality dictionary by machine learning using the matching score, as in the first embodiment. For this reason, the quality evaluation of the pattern specialized for pattern collation is realizable by evaluating the quality of the pattern for collation using the quality dictionary produced
  • the pattern matching apparatus can further improve the accuracy of the result. That is, the dictionary learning device 20 can provide a quality dictionary that can further improve the reliability of the pattern matching device.
  • the dictionary learning device of the third embodiment has the same configuration as that of the second embodiment.
  • symbol is attached
  • the score calculation unit 28 calculates the collation score s using the following formula (3).
  • the collation score s increases as the possibility that the feature vectors x and y based on the features of the sample pattern and the deterioration pattern extracted by the feature extraction unit 29 are the same. From this, when the correlation coefficient is used, the matching score s can be expressed as Equation (3).
  • A is a matrix whose feature vector is a row vector, and represents the identification dictionary 23 (corresponding to ⁇ d in Equation (1)).
  • This matrix A is learned (generated) in advance as a projection matrix onto a partial space where it is easy to determine whether or not they are the same pattern by a method such as linear discriminant analysis.
  • (Ax) T represents a transposed matrix of the matrix (Ax).
  • represent the determinants of the matrices (Ax) and (Ay) in this order.
  • the learning unit 30 learns (generates) the quality dictionary u so that approximation of the following formula (4) is established. That is, the quality dictionary is a dictionary that estimates a collation score between a deterioration pattern and a non-deterioration state pattern corresponding to the deterioration pattern. When a linear function is used for the estimation, the matching score s can be expressed as in Equation (4).
  • x represents a feature vector based on the feature of the sample pattern extracted by the feature extraction unit 29
  • y represents a feature based on the feature of the degradation pattern extracted by the feature extraction unit 29.
  • y T denotes a transposed vector of the feature vector y.
  • u represents a quality dictionary (corresponding to ⁇ q in Equation (2)).
  • the quality dictionary u is a vector corresponding to a coefficient of a linear function.
  • the learning unit 30 learns the quality dictionary u by, for example, a linear regression method.
  • FIG. 5 is a block diagram showing a simplified configuration of the pattern matching apparatus of the fourth embodiment.
  • the pattern matching device 40 includes a control device 41 and a storage device 42.
  • the storage device 42 includes a computer-readable storage medium (nonvolatile storage medium) 43.
  • the storage medium 43 stores various data and programs.
  • the storage medium 43 stores at least a quality dictionary 45, an identification dictionary 46, and a program 47.
  • Data and programs written in the storage medium 43 may be stored in a portable storage medium. For example, these data and programs may be written in the storage medium 43 by being read into the pattern matching device 40 from a portable storage medium.
  • the quality dictionary 45 is a dictionary learned (generated) by the dictionary learning device described in the first to third embodiments.
  • the identification dictionary 46 is a dictionary similar to the identification dictionary 23 used when learning the quality dictionary 45.
  • the program 47 is a program showing a control procedure for controlling the overall operation of the pattern matching device 40.
  • the control device 41 has, for example, a CPU.
  • the control device 41 has various functions for controlling the overall operation of the pattern matching device 40 by operating according to the program read from the storage device 42.
  • the control device 41 includes a receiving unit 50, a feature extraction unit 51, a quality evaluation unit 52, a score calculation unit 53, a score correction unit 54, and a determination unit 55 as functional units. ing.
  • the accepting unit 50 has a function of accepting a verification target pattern when a verification target pattern for pattern verification is input to the pattern verification device 40.
  • the feature extraction unit 51 has a function of extracting features from the received verification target pattern in the same manner as the feature extraction unit 29 of the dictionary learning device 20 described above.
  • the quality evaluation unit 52 has a function of evaluating the quality of the verification target pattern using the extracted characteristics of the verification target pattern and the quality dictionary 45. For example, it is assumed that two verification target patterns Ix and Iy that match each other are input to the pattern matching device 40. Here, the features extracted by the feature extraction unit 51 from the verification target patterns Ix and Iy are assumed to be feature vectors x and y. Based on the feature vectors x and y and the quality dictionary 45, the quality evaluation unit 52 calculates the quality q x and q y of each of the verification target patterns Ix and Iy according to the following equations (5) and (6). To do.
  • Equation (5) represents a conversion vector of the feature vector x.
  • y T during Equation (5) represents the conversion vector of the feature vector y.
  • u in the equations (5) and (6) indicates the quality dictionary 45.
  • the same quality dictionary 45 is used for both of the two matching target patterns x and y to be matched.
  • the score calculation unit 53 has a function of calculating a collation score using the features (feature vectors x, y) of the collation target patterns Ix and Iy extracted by the feature extraction unit 51 and the identification dictionary 46. Yes.
  • the function for calculating the matching score is the same as the function used by the score calculation unit 28 in the dictionary learning device 20 that has learned (generated) the quality dictionary 45. Specifically, for example, the score calculation unit 53 calculates the matching score s according to the following mathematical formula (7).
  • P is a function for correcting the matching score s according to the quality q x , q y of the matching target patterns Ix, Iy.
  • a polynomial function can be used as the correction function P.
  • the correction function P can be expressed as the following formula (9).
  • a 1 to a 6 are parameters for determining the correction function P. This parameter is also learned (generated) in advance as in the matrix A described above.
  • q x and q y represent the quality of the verification target patterns Ix and Iy.
  • Determining unit 55 based on the matching score s h after correction, collation object pattern Ix, and has a function of determining the collation result of Iy. More specifically, the determination unit 55 determines matching score s h after correction, compared to the threshold alpha predetermined, whether the matching score s h is equal to or larger than the threshold alpha. Determining unit 55, when the matching score s h is equal to or more than the threshold value ⁇ is collation object pattern Ix, outputs the numeric value "1" indicating that Iy is the same pattern as the determination result D (s h) To do.
  • the determination unit 55 when the matching score s h is determined threshold value not more than alpha and (smaller than matching score s h is the threshold alpha) is a numerical value indicating that the collation object pattern Ix, Iy are different patterns “0” is output as the determination result D (s h ).
  • the determination result can be expressed as the following equation (10).
  • FIG. 6 is a flowchart showing an example of the collation process executed by the pattern collation apparatus 40.
  • This flowchart represents an example of a control procedure of a program executed by the control device 41 in the pattern matching device 40.
  • the control device 41 receives the verification target patterns Ix and Iy (step S201). Then, the control device 41 (feature extraction unit 51) extracts the features (feature vectors x, y) of the matching target patterns Ix, Iy (step S202). Thereafter, the control device 41 (quality evaluation unit 52) evaluates the quality q x and q y of the verification target patterns Ix and Iy based on the extracted features (step S203).
  • control device 41 uses the characteristics (feature vectors x, y) of the verification target patterns Ix, Iy and the identification dictionary 46 to determine the verification score s for the verification target patterns Ix, Iy. Calculate (step S204).
  • control device 41 (score correction unit 54) corrects the matching score s using the quality q x , q y of the matching target patterns Ix, Iy and the quality dictionary 45, and the corrected matching score s h is calculated (step S205).
  • control unit 41 determines whether or greater than or equal to the threshold value alpha.
  • the control unit 41 determines whether the matching score s h after correction is equal to or greater than the threshold value ⁇ is collation object pattern Ix, Iy is determined to be the same pattern, numeric “1” is output (step S207).
  • the control unit 41 determines whether the matching score s h after correction is determined to not more than the threshold value alpha (less than matching score s h is the threshold alpha) is collation object pattern Ix, Iy Are different patterns and output a numerical value "0" (step S208). After making this determination, the control device 41 enters a standby state in preparation for the next verification process.
  • the pattern matching device 40 of the fourth embodiment evaluates the quality of the pattern to be verified using the quality dictionary learned by the dictionary learning device 20 of the second or third embodiment. Since the quality dictionary is a dictionary learned by using the matching score as described above, the pattern matching device 40 according to the fourth embodiment performs quality evaluation of the pattern to be verified specialized in matching processing. be able to. Thereby, since the pattern collation apparatus 40 of this 4th Embodiment can improve the accuracy of a collation result more, it can improve the reliability with respect to collation determination more.
  • the present invention is not limited to the first to fourth embodiments, and various embodiments can be adopted.
  • the quality dictionary used when evaluating the verification target pattern Ix and the quality dictionary used when evaluating the verification target pattern Iy use the same quality dictionary.
  • the quality dictionary for evaluating the verification target pattern Ix and the quality dictionary for evaluating the verification target pattern Iy may be different quality dictionaries.
  • one of the verification target patterns Ix and Iy is an image based on a photograph (still image), and the other is an image based on a video (moving image).
  • the deterioration states (deterioration processes) of the patterns Ix and Iy are different.
  • the separate quality dictionaries as described above are based on the separate sample patterns corresponding to the verification target patterns Ix and Iy, and the deterioration patterns subjected to the separate deterioration processing corresponding to the verification target patterns Ix and Iy, respectively.
  • the dictionary learning devices described in the first to third embodiments are separately generated by machine learning.
  • one of the verification target patterns Ix and Iy is of high quality.
  • one of the verification target patterns Ix and Iy is a reference pattern given in advance, and the reference pattern is often not adopted unless it is a high quality pattern.
  • biometric authentication a verification target pattern acquired as a verification target is checked against the reference pattern, and whether or not authentication is possible is determined based on this verification.
  • the pattern matching device 40 may omit the process of evaluating the quality of one of the high-quality matching target patterns (reference patterns). Good. In this case, the pattern matching device 40 corrects the matching score based on the quality evaluation result of only the other matching target pattern whose quality has been evaluated.
  • each function of the computer is realized by a computer program (software) stored in a storage medium.
  • a configuration realized by hardware may be used.
  • the present invention is applicable to fields such as authentication technology using pattern matching.

Abstract

　パターン照合の正確さをより高める。　辞書学習装置１は、スコア計算部（スコア計算手段）２と、学習部（学習手段）３とを有する。スコア計算部２は、パターン照合を行うパターンのサンプルであるサンプルパターンと、当該サンプルパターンを劣化処理した劣化パターンとの類似度を示す照合スコアを計算する。学習部３は、パターン照合を行う対象のパターンである照合対象パターンの劣化状態を評価する処理で利用する品質辞書を、前記算出された照合スコアと、前記劣化パターンとに基づいて学習する。辞書学習装置１が学習（生成）した品質辞書を利用して照合対象パターンの劣化状態（品質）を評価することによって、パターン照合を考慮した品質評価結果を得るができる。

Description

辞書学習装置、パターン照合装置、辞書学習方法および記憶媒体
　本発明は、パターン照合で用いる品質辞書に関わる技術に関する。
　パターン照合とは、顔や指紋等の画像や、音声信号の波形などをパターンとし、照合対象の複数のパターンが同一のパターンであるか否かを判定する処理である。このパターン照合は、生体認証の分野で、特に重要とされる技術である。
　パターン照合の処理の一例を次に簡単に述べる。まず、照合対象の２つのパターンがどれだけ類似しているかを示す照合スコアを計算する。その照合スコアを計算する手法としては、例えば、照合対象のパターンから抽出された特徴ベクトルと、あらかじめ用意されている識別辞書と呼ばれる特徴ベクトル群とを用いて、照合スコアを算出する。上記識別辞書は、大量のパターンの例を用いた機械学習によって生成される場合が多い。
　前記のように照合スコアを算出した後に、その照合スコアを閾値に比較し、この比較に基づいて照合結果（つまり、照合対象の２つのパターンが同一であるか否か）を判定する。このようにしてパターン照合が行われる。
　ところで、パターン照合が持つ問題の一つとして次のような問題がある。その問題とは、パターンの品質劣化（換言すれば、不鮮明（不明瞭）さ）に因る問題である。すなわち、パターンの品質劣化の度合いによっては、照合に必要な情報（例えば顔や指紋等の特徴を示す情報）が失われている場合がある。例えば、顔画像がぼけて不鮮明になっていると、どのような人物でも似たような顔画像になってしまう。このために、ぼけている顔画像に基づいた顔照合では、照合対象の２つの顔画像が同一人物の画像でないのにも拘わらず同一であると判定してしまう誤判定が起こりやすくなる。
　そこで、パターンの品質（劣化状態）を推定し、この情報を考慮してパターンを照合する手法が提案されている。特許文献１（特開２０１０－１２９０４５号公報）には、指紋照合において、パターンの品質を推定する情報として指紋画像の汚れを検出（判定）する技術が示されている。特許文献２（特開２０１１－００２４９４号公報）には、音声認識において、パターンの品質を推定する情報として音質レベルを推定する技術が示されている。
　また、特許文献３（特開２００７－１４０８２３号公報）には、パターンを撮影したときの条件（例えば、照明環境、顔の向き、および、装着物（例えばサングラス）の有無など）を考慮して、パターン照合を行う技術が示されている。
　さらに、特許文献４（特開２００６－０７２５５３号公報）には、生体認証において、入力された画像が不鮮明な場合には、その画像を補正してから照合する技術が示されている。さらに、特許文献５（特開２００８－１０７４０８号公報）には、音声認識において、周囲環境を考慮して音声認識処理を行う技術が示されている。
　[特許文献１]特開２０１０－１２９０４５号公報
　[特許文献２]特開２０１１－００２４９４号公報
　[特許文献３]特開２００７－１４０８２３号公報
　[特許文献４]特開２００６－０７２５５３号公報
　[特許文献５]特開２００８－１０７４０８号公報
　前述したように、パターン照合は、生体認証などの認証技術に採用される技術である。このため、パターン照合での誤判定は大きな問題になることが想定される。このことから、パターン照合には、より一層の正確さが要求されている。
本発明は上記課題を解決するためになされたものである。すなわち、本発明の主な目的は、パターン照合の正確さをより高めることができる技術を提供することにある。
　本発明の辞書学習装置は、
　パターン照合を行うパターンのサンプルであるサンプルパターンと、当該サンプルパターンを劣化処理した劣化パターンとの類似度を示す照合スコアを計算するスコア計算手段と、
パターン照合を行う対象のパターンである照合対象パターンの劣化状態を評価する処理で利用する品質辞書を、前記算出された照合スコアと、前記劣化パターンとに基づいて学習する学習手段と
を有する。
　本発明のパターン照合装置は、
　本発明の辞書学習装置によって学習された品質辞書と、
　パターン照合を行う対象のパターンである照合対象パターンの劣化状態を前記品質辞書に基づいて評価する品質評価手段と、
　前記辞書学習装置が照合スコアを計算する処理に相当する処理に基づいて、複数の前記照合対象パターン間の類似度を示す照合スコアを計算するスコア計算手段と、
　前記品質評価手段による評価結果を利用して、前記照合スコアを補正するスコア補正手段と、
補正後の前記照合スコアに基づいて、前記照合対象パターンの照合結果を判定する判定手段と
を有する。
　本発明の辞書学習方法では、
パターン照合を行うパターンのサンプルであるサンプルパターンと、当該サンプルパターンを劣化処理した劣化パターンとの類似度を示す照合スコアをコンピュータが計算し、
　パターン照合を行う対象のパターンである照合対象パターンの劣化状態を評価する処理で利用する品質辞書を、前記算出された照合スコアと、前記劣化パターンとに基づいてコンピュータが学習する。
　本発明の記憶媒体は、
　コンピュータに、
　パターン照合を行うパターンのサンプルであるサンプルパターンと、当該サンプルパターンを劣化処理した劣化パターンとの類似度を示す照合スコアを計算する処理と、
パターン照合を行う対象のパターンである照合対象パターンの劣化状態を評価する処理で利用する品質辞書を、前記算出された照合スコアと、前記劣化パターンとに基づいて学習する処理と
を実行させる制御手順を記憶している。
　なお、本発明の前記主な目的は、上記構成の本発明の辞書学習装置に対応する辞書学習方法によっても達成される。また、本発明の主な目的は、本発明の辞書学習装置およびそれに対応する辞書学習方法をコンピュータによって実現するコンピュータプログラム、および、当該コンピュータプログラムを格納するコンピュータ読み取り可能な記憶媒体によっても達成される。
　本発明によれば、パターン照合の正確さをより高めることができる。これにより、信頼性のより高いパターン照合装置を提供することを可能にする。
図１は、本発明に係る第１実施形態の辞書学習装置の構成を簡略化して示すブロック図である。 図２は、第１実施形態の辞書学習装置により学習された品質辞書を用いるパターン照合装置の構成を簡略化して示すブロック図である。 図３は、本発明に係る第２と第３の実施形態の辞書学習装置の構成を簡略化して示すブロック図である。 図４は、第２実施形態の辞書学習装置が実行する辞書学習に関わる処理の一例を示すフローチャートである。 図５は、本発明に係る第４実施形態のパターン照合装置の構成を簡略化して示すブロック図である。 図６は、第４実施形態のパターン照合装置が実行する照合処理の一例を示すフローチャートである。
　以下に、本発明に係る実施形態を図面を参照して説明する。
　（第１実施形態）
　図１は、本発明に係る第１実施形態の辞書学習装置の構成を簡略化して示すブロック図である。この第１実施形態の辞書学習装置１は、パターン照合を行う際に利用する品質辞書を学習（機械学習により生成）する装置（例えばコンピュータ）である。辞書学習装置１は、スコア計算部（スコア計算手段）２と、学習部（学習手段）３とを有している。
　スコア計算部２は、パターン照合を行うパターンのサンプルであるサンプルパターンと、当該サンプルパターンを劣化処理した劣化パターンとの類似度を示す照合スコアを計算する機能を備えている。
　学習部３は、スコア計算部２により算出された照合スコアと、上記劣化パターンとに基づいて、品質辞書を学習する機能を備えている。その品質辞書は、パターン照合装置において、パターン照合を行う態様のパターンである照合対象パターンの劣化状態（品質）を評価する処理で利用される辞書である。
　図２は、辞書学習装置１が生成した品質辞書を利用するパターン照合装置の構成例を簡略化して示すブロック図である。このパターン照合装置５は、スコア計算部（スコア計算手段）６と、品質評価部（品質評価手段）７と、スコア補正部（スコア補正手段）８と、判定部（判定手段）９と、品質辞書１０とを有している。
　品質辞書１０は、上記した辞書学習装置１により予め学習（生成）された辞書である。
　スコア計算部６は、辞書学習装置１を構成するスコア計算部２が照合スコアを計算する処理と同様な処理によって、複数の照合対象パターン間の類似度を示す照合スコアを計算する機能を備えている。
　品質評価部７は、照合対象パターンの劣化状態（品質）を品質辞書１０を利用して評価（算出）する機能を備えている。
　スコア補正部８は、スコア計算部６により算出された照合スコアを、品質評価部７の評価結果を利用して補正する機能を備えている。
　判定部９は、その補正後の照合スコアに基づいて照合結果を判定する機能を備えている。
　この第１実施形態の辞書学習装置１およびパターン照合装置５は、次のような効果を得ることができる。すなわち、前述した特許文献１－３では、画質や音質などのパターンそのものの劣化状態を評価しているにすぎず、パターン照合を行う観点からパターンの劣化状態（品質）を評価していない。これに対して、この第１実施形態の辞書学習装置１は、パターン照合で用いる、パターン間の類似度を示す照合スコアを利用して、品質辞書を機械学習により生成している。その生成された品質辞書を利用して照合対象パターンの劣化状態（品質）を評価することによって、その照合対象パターンの評価結果は、パターン照合することを考慮した結果となる。換言すれば、辞書学習装置１により生成された品質辞書を利用することによって、パターン照合に特化したパターンの品質評価が実現できる。
　パターン照合装置５は、このようにパターン照合を考慮して照合対象パターンの劣化状態（品質）を評価できる。このことから、パターン照合装置５は、その評価結果を利用したパターン照合の正確さをより高めることができる。これにより、パターン照合装置５の信頼性をより高めることができる。
　（第２実施形態）
　以下に、本発明に係る第２実施形態を説明する。
　図３は、第２実施形態の辞書学習装置の構成を簡略化して示すブロック図である。第２実施形態の辞書学習装置２０は、制御装置２１と、記憶装置２２とを有している。記憶装置２２は、例えばハードディスク等の記憶媒体（不揮発性記憶媒体）２２Ａを有している。その記憶媒体２２Ａは、各種データやコンピュータプログラム（以下、略してプログラムとも記す）を格納している。この記憶媒体２２Ａに格納されるデータの一つとして、識別辞書２３がある。この識別辞書２３は、後述する照合スコアを計算する処理で利用する辞書である。また、記憶媒体２２Ａに格納されるプログラムの一つとして、辞書学習装置１が辞書を学習する手順を示すプログラム２４がある。なお、記憶媒体２２Ａに格納されるデータやプログラムは、可搬タイプの記憶媒体に格納されることも有り得る。例えば、プログラム２４は、可搬タイプの記憶媒体から辞書学習装置２０に読み込まれることによって、記憶媒体２２Ａに書き込まれてもよい。
　制御装置２１は、例えば、ＣＰＵ（Central Processing Unit）を有している。当該制御装置２１は、記憶装置２２から読み出したプログラムに従って動作することによって、辞書学習装置２０の全体的な動作を制御する。具体的には、制御装置２１は、プログラム２４を実行することにより、次のような機能を実現する。つまり、制御装置２１は、受け付け部（受け付け手段）２６と、劣化処理部（劣化処理手段）２７と、スコア計算部（スコア計算手段）２８と、特徴抽出部（特徴抽出手段）２９と、学習部（学習手段）３０とを有する。
　受け付け部２６は、サンプルパターン（学習用パターン）を受け付ける機能を有する。そのサンプルパターンとは、パターン照合を行うパターンのサンプル（パターン照合する対象になりうるパターン）である。
　劣化処理部２７は、受け付けられたサンプルパターンに劣化処理を施す機能を備えている。その劣化処理されたサンプルパターンをここでは劣化パターンと呼ぶ。つまり、劣化処理部２７は、サンプルパターンを劣化処理することによって、劣化パターンを生成する機能を備えている。劣化処理としては、例えば、サンプルパターンが画像である場合には平滑化（画像をぼかす処理）がある。また、サンプルパターンが信号（例えば音声信号）である場合の劣化処理としては、ノイズを付加する処理がある。
　特徴抽出部２９は、サンプルパターンと、その劣化パターンとのそれぞれから特徴を抽出する機能を備えている。その抽出する特徴としては、例えば、パターンが画像である場合には、その画像の画素値やフィルタ応答（例えば、GaborフィルタやSobelフィルタ）などがある。
　スコア計算部２８は、特徴抽出部２９によって抽出された特徴（サンプルパターンおよび劣化パターンの特徴）の組み合わせと、記憶装置２２に格納されている識別辞書２３とを利用して、照合スコアｓを計算する。その照合スコアｓは、次に示す数式（１）に基づいて算出することができる。

Figure JPOXMLDOC01-appb-I000001
　なお、数式（１）中におけるｘは、特徴抽出部２９により抽出されたサンプルパターンの特徴をベクトルに変換した特徴ベクトルを表す。ｙは、特徴抽出部２９により抽出された劣化パターンの特徴をベクトルに変換した特徴ベクトルを表す。また、θdは、識別辞書２３を表す。識別辞書２３の具体例としては、特徴ベクトルを低次元部分空間へ射影する行列が挙げられる。
　学習部３０は、劣化パターン（劣化パターンから抽出された特徴）と、その劣化パターンに基づいて算出された照合スコアとに基づいて、品質辞書を学習（生成）する機能を備えている。その品質辞書は、劣化パターンと、当該劣化パターンに対応する非劣化状態の仮想パターンとの照合スコアを推定する辞書である。具体的には、例えば、学習部３０は、次に述べる数式（２）が成り立つように数式（２）中における品質辞書θqを学習する。

Figure JPOXMLDOC01-appb-I000002
　なお、数式（２）中におけるｑは、予め定められた関数を表し、θqは品質辞書を表す。
　上記したような品質辞書θqを学習する手法の一つとして、回帰分析と呼ばれる手法がある。なお、品質辞書θqを学習する処理で利用する照合スコアｓは、スコア計算部２８により算出された照合スコアｓを、サンプルパターンおよび劣化パターンの品質に応じて補正した補正後の照合スコアであってもよい。
　図４は、この第２実施形態の辞書学習装置２０が実行する辞書学習動作（処理）の一例を示すフローチャートである。このフローチャートは、辞書学習装置２０において、制御装置２１が実行するプログラムの制御手順の一例を表している。
　例えば、サンプルパターン（学習用パターン）が辞書学習装置２０に入力すると、制御装置２１（受け付け部２６）がそのサンプルパターンを受け付ける（図４のステップＳ１０１）。そして、制御装置２１（劣化処理部２７）はそのサンプルパターンに劣化処理を施して劣化パターンを生成する（ステップＳ１０２）。その後、制御装置２１（特徴抽出部２９）は、生成された劣化パターンの特徴を抽出する。また、制御装置２１（特徴抽出部２９）は、劣化処理を施さないサンプルパターンそのものの特徴をも抽出する（ステップＳ１０３）。
　その後、制御装置２１（スコア計算部２８）は、識別辞書２３を利用し、上記抽出された特徴（サンプルパターンおよび劣化パターンの特徴）の組み合わせ（ｘ，ｙ）に基づいて、照合スコアｓ（つまり、サンプルパターンと当該サンプルパターンに対応する劣化パターンとの類似度を表すスコア）を計算する（ステップＳ１０４）。然る後に、制御装置２１（学習部３０）は、劣化パターンと、当該劣化パターンに基づいて算出した照合スコアｓとに基づいて、例えば、回帰分析等の学習手法によって、品質辞書θqを学習する（ステップＳ１０５）。
　この第２実施形態の辞書学習装置２０も、第１実施形態と同様に、照合スコアを利用して、品質辞書を機械学習により生成する。このため、辞書学習装置２０により生成された品質辞書を利用して照合対象パターンの品質を評価することによって、パターン照合に特化したパターンの品質評価が実現できる。その品質評価を利用してパターン照合を行うことによって、パターン照合装置はその結果の正確さをより高めることができる。すなわち、この辞書学習装置２０は、パターン照合装置の信頼性をより高めることができる品質辞書を提供できる。
　（第３実施形態）
　以下に、本発明に係る第３実施形態を説明する。
　この第３実施形態では、第２実施形態で述べたスコア計算部２８と学習部３０がそれぞれ実行する処理の具体例を示す。すなわち、第３実施形態の辞書学習装置は、第２実施形態と同様の構成を有する。これにより、この第３実施形態の説明では、第２実施形態と同様の構成部分には同一符号を付し、その共通部分の重複説明は省略する。
　この第３実施形態では、スコア計算部２８は、次に述べる数式（３）を利用して、照合スコアｓを算出する。つまり、照合スコアｓは、特徴抽出部２９によって抽出されたサンプルパターンと劣化パターンとの各特徴に基づいた特徴ベクトルｘ，ｙが同一である可能性が高い程、その値が高くなる。このことから、相関係数を用いると、照合スコアｓは、数式（３）のように表すことができる。

Figure JPOXMLDOC01-appb-I000003
　なお、Ａは特徴ベクトルが行ベクトルとなっている行列であり、識別辞書２３（数式（１）におけるθdに対応）を表す。この行列Ａは、線形判別分析などの手法によって、同一パターンか否かを判定しやすい部分空間への射影行列として事前に学習（生成）されている。また、（Ａｘ）Ｔは、行列（Ａｘ）の転置行列を表す。さらに、|Ａｘ|、|Ａｙ|は順に行列（Ａｘ）、（Ａｙ）の行列式を表している。
　学習部３０は、この第３実施形態では、次に述べる数式（４）の近似が成り立つように品質辞書ｕを学習（生成）する。つまり、品質辞書は、劣化パターンと、当該劣化パターンに対応する非劣化状態のパターンとの照合スコアを推定する辞書である。その推定に線形関数を用いると、照合スコアｓは、数式（４）のように表すことができる。

Figure JPOXMLDOC01-appb-I000004
　なお、数式（４）中におけるｘは、特徴抽出部２９によって抽出されたサンプルパターンの特徴に基づいた特徴ベクトルを表し、ｙは、特徴抽出部２９によって抽出された劣化パターンの特徴に基づいた特徴ベクトルを表し、ｙＴは、特徴ベクトルｙの転置ベクトルを表す。さらに、ｕは、品質辞書（数式（２）におけるθqに対応）を表す。当該品質辞書ｕは、線形関数の係数に相当するベクトルである。
　ここで述べた線形関数の例では、学習部３０は、例えば線形回帰手法によって、品質辞書ｕを学習する。
　この第３実施形態においても、第２実施形態と同様の構成を備えているので、第２実施形態と同様の効果を得ることができる。
　（第４実施形態）
　以下に、本発明に係る第４実施形態を説明する。
この第４実施形態では、第２や第３の実施形態で述べた辞書学習装置により学習（生成）された品質辞書を利用するパターン照合装置の一形態例を説明する。なお、この第４実施形態の説明において、第２や第３の実施形態で述べた説明と重複する説明は省略する。
　図５は、第４実施形態のパターン照合装置の構成を簡略化して表すブロック図である。このパターン照合装置４０は、制御装置４１と、記憶装置４２とを有する。記憶装置４２は、コンピュータ読み取り可能な記憶媒体（不揮発性記憶媒体）４３を有している。当該記憶媒体４３は、各種データやプログラムを格納している。この第４実施形態では、記憶媒体４３は、品質辞書４５と、識別辞書４６と、プログラム４７とを少なくとも格納している。当該記憶媒体４３に書き込まれるデータやプログラムは、可搬タイプの記憶媒体に格納されることも有り得る。例えば、それらデータやプログラムは、可搬タイプの記憶媒体からパターン照合装置４０に読み込まれることによって、記憶媒体４３に書き込まれてもよい。
　品質辞書４５は、第１～第３の実施形態で述べた辞書学習装置により学習（生成）された辞書である。識別辞書４６は、その品質辞書４５を学習する際に利用された識別辞書２３と同様の辞書である。プログラム４７は、パターン照合装置４０の全体的な動作を制御する制御手順を示すプログラムである。
　制御装置４１は、例えばＣＰＵを有している。当該制御装置４１は、記憶装置４２から読み出したプログラムに従って動作することによって、パターン照合装置４０の全体的な動作を制御する様々な機能を有する。具体的には、制御装置４１は、機能部として、受け付け部５０と、特徴抽出部５１と、品質評価部５２と、スコア計算部５３と、スコア補正部５４と、判定部５５とを有している。
　受け付け部５０は、パターン照合を行う照合対象パターンがパターン照合装置４０に入力すると、その照合対象パターンを受け付ける機能を有している。
　特徴抽出部５１は、受け付けられた照合対象パターンから、前述した辞書学習装置２０の特徴抽出部２９と同様に、特徴を抽出する機能を有している。
　品質評価部５２は、抽出された照合対象パターンの特徴、および、品質辞書４５を利用して、照合対象パターンの品質を評価する機能を有している。例えば、互いに照合し合う２つの照合対象パターンＩｘ，Ｉｙがパターン照合装置４０に入力したとする。ここで、特徴抽出部５１が照合対象パターンＩｘ，Ｉｙから抽出した特徴を特徴ベクトルｘ，ｙとする。品質評価部５２は、その特徴ベクトルｘ，ｙと、品質辞書４５とに基づいて、照合対象パターンＩｘ，Ｉｙのそれぞれの品質ｑx，ｑyを次の数式（５）、（６）に従って算出する。

Figure JPOXMLDOC01-appb-I000005

Figure JPOXMLDOC01-appb-I000006
　なお、数式（５）中におけるｘTは、特徴ベクトルｘの転換ベクトルを表す。また、数式（５）中におけるｙTは、特徴ベクトルｙの転換ベクトルを表す。さらに、数式（５）、（６）中におけるｕは品質辞書４５を示す。
　数式（５）、（６）に示されるように、この第４実施形態では、照合し合う２つの照合対象パターンｘ，ｙの両方に同じ品質辞書４５を利用している。
　スコア計算部５３は、特徴抽出部５１により抽出された照合対象パターンＩｘ，Ｉｙの特徴（特徴ベクトルｘ，ｙ）と、識別辞書４６とを利用して、照合スコアを計算する機能を有している。この第４実施形態では、照合スコアを算出する関数は、品質辞書４５を学習（生成）した辞書学習装置２０におけるスコア計算部２８が用いた関数と同様である。具体的には、例えば、スコア計算部５３は、次の数式（７）に従って照合スコアｓを算出する。

Figure JPOXMLDOC01-appb-I000007
　なお、数式（７）は、数式（３）と同様な数式である。
　スコア補正部５４は、品質評価部５２により算出された品質ｑx，ｑyを参照することにより、スコア計算部５３によって算出された照合スコアｓ（ｓ＝ｓ（ｘ，ｙ））を補正する機能を有している。具体的には、例えば、スコア補正部５４は、次の数式（８）に従って照合スコアｓを補正し、補正後の照合スコアｓhを算出する。

Figure JPOXMLDOC01-appb-I000008
　なお、数式（８）中におけるＰは照合対象パターンＩｘ，Ｉｙの品質ｑx，ｑyに応じて照合スコアｓを補正する関数である。この補正関数Ｐは、例えば、多項式関数を用いることができる。補正関数Ｐとして２次関数を用いる場合には、補正関数Ｐは、次の数式（９）のように表すことができる。

Figure JPOXMLDOC01-appb-I000009
　なお、数式（９）中におけるａ1～ａ6は、補正関数Ｐを決定するパラメータである。このパラメータも前述した行列Ａと同様に、事前に学習（生成）される。数式（９）中におけるｑx，ｑyは、照合対象パターンＩｘ，Ｉｙの品質を表す。
　判定部５５は、補正後の照合スコアｓhに基づいて、照合対象パターンＩｘ，Ｉｙの照合結果を判定する機能を有している。具体的には、判定部５５は、補正後の照合スコアｓhを、予め定められた閾値αに比較し、照合スコアｓhが閾値α以上であるか否かを判定する。判定部５５は、照合スコアｓhが閾値α以上であると判定した場合には、照合対象パターンＩｘ，Ｉｙが同一パターンであることを示す数値“１”を判定結果Ｄ（ｓh）として出力する。さらに、判定部５５は、照合スコアｓhが閾値α以上でない（照合スコアｓhが閾値αよりも小さい）と判定した場合には、照合対象パターンＩｘ，Ｉｙが異なるパターンであることを示す数値“０”を判定結果Ｄ（ｓh）として出力する。その判定結果は次式（１０）のように表すことができる。

Figure JPOXMLDOC01-appb-I000010
　以下に、この第４実施形態のパターン照合装置４０における照合処理に関わる動作例を図６に基づいて説明する。すなわち、図６は、パターン照合装置４０が実行する照合処理の一例を示すフローチャートである。このフローチャートは、パターン照合装置４０において、制御装置４１が実行するプログラムの制御手順の一例を表している。
　例えば、パターン照合装置４０に照合対象パターンＩｘ，Ｉｙが入力すると、制御装置４１（受け付け部５０）がそれら照合対象パターンＩｘ，Ｉｙを受け付ける（ステップＳ２０１）。そして、制御装置４１（特徴抽出部５１）は、それら照合対象パターンＩｘ，Ｉｙの特徴（特徴ベクトルｘ，ｙ）を抽出する（ステップＳ２０２）。その後、制御装置４１（品質評価部５２）は、その抽出された特徴に基づいて、照合対象パターンＩｘ，Ｉｙの品質ｑx，ｑyを評価する（ステップＳ２０３）。一方、制御装置４１（スコア計算部５３）は、照合対象パターンＩｘ，Ｉｙの特徴（特徴ベクトルｘ，ｙ）と、識別辞書４６とを利用して、照合対象パターンＩｘ，Ｉｙに対する照合スコアｓを算出する（ステップＳ２０４）。
　そして、制御装置４１（スコア補正部５４）は、照合対象パターンＩｘ，Ｉｙの品質ｑx，ｑyと、品質辞書４５とを利用して、照合スコアｓを補正し、補正後の照合スコアｓhを算出する（ステップＳ２０５）。
　その後、制御装置４１（判定部５５）は、その補正後の照合スコアｓhが閾値α以上であるか否かを判断する（ステップＳ２０６）。これにより、制御装置４１（判定部５５）は、補正後の照合スコアｓhが閾値α以上であると判断した場合には、照合対象パターンＩｘ，Ｉｙは同一のパターンであると判断し、数値“１”を出力する（ステップＳ２０７）。反対に、制御装置４１（判定部５５）は、補正後の照合スコアｓhが閾値α以上でない（照合スコアｓhが閾値αよりも小さい）と判断した場合には、照合対象パターンＩｘ，Ｉｙは異なるパターンであると判断し、数値“０”を出力する（ステップＳ２０８）。このように判定を下した後には、制御装置４１は、次の照合処理に備えて待機状態となる。
　この第４実施形態のパターン照合装置４０は、第２や第３の実施形態の辞書学習装置２０により学習された品質辞書を利用して、照合対象パターンの品質を評価している。その品質辞書は、前述したように、照合スコアを利用して学習された辞書であることから、第４実施形態のパターン照合装置４０は、照合処理に特化して照合対象パターンの品質評価を行うことができる。これにより、この第４実施形態のパターン照合装置４０は、照合結果の正確さをより高めることができるから、照合判定に対する信頼性をより向上できる。
　（その他の実施形態）
　なお、この発明は第１～第４の各実施形態に限定されるものではなく、様々な実施の形態を採り得る。例えば、第４実施形態では、照合対象パターンＩxを評価する際に利用する品質辞書と、照合対象パターンＩyを評価する際に利用する品質辞書とは同じ品質辞書を用いる例が説明されている。これに対し、照合対象パターンＩxを評価する品質辞書と、照合対象パターンＩyを評価する品質辞書とは別々の品質辞書であってもよい。このように別々の品質辞書を用いる場合の例としては、照合対象パターンＩｘ，Ｉｙの一方が写真（静止画）による画像であり、他方が映像（動画）による画像であるというように、照合対象パターンＩｘ，Ｉｙの劣化状態（劣化過程）が異なる場合が挙げられる。
　上記のような別々の品質辞書は、それら照合対象パターンＩｘ，Ｉｙにそれぞれ応じた別々のサンプルパターンと、照合対象パターンＩｘ，Ｉｙに対応する別々の劣化処理を施した劣化パターンとに基づいて、第１～第３の実施形態で述べた辞書学習装置によって、それぞれ別々に機械学習によって生成される。
　また、照合対象パターンＩｘ，Ｉｙの一方が高品質であることが分かっている場合がある。例えば生体認証の場合には、照合対象パターンＩｘ，Ｉｙの一方は、予め与えられている参照パターンであり、当該参照パターンは高品質なパターンでなければ採用されない場合が多い。生体認証では、その参照パターンに、照合対象として取得された照合対象パターンが照合され、この照合に基づいて、認証の可否が判断される。パターン照合装置４０がそのような生体認証のために照合処理を行う場合には、パターン照合装置４０は、高品質な一方の照合対象パターン（参照パターン）の品質を評価する処理を省略してもよい。この場合には、パターン照合装置４０は、品質を評価した他方の照合対象パターンのみの品質評価結果に基づいて照合スコアを補正する。
　さらに、上記各実施形態では、記憶媒体に記憶されたコンピュータプログラム（ソフトウェア）によってコンピュータ（制御装置）の各機能が実現される例を説明しているが、それら機能のうちの一部あるいは全部はハードウェアによって実現される構成であってもよい。
　以上、実施形態を参照して本願発明を説明したが、本願発明は上記実施形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
　なお、この出願は、２０１１年１２月１６日に出願された日本出願特願２０１１－２７５８７２を基礎とする優先権を主張し、その開示の全てをここに取り込む。
　本発明は、パターン照合を利用する例えば認証技術等の分野に適用可能である。
　１，２０　辞書学習装置
　２，２８，５３　スコア計算部
　３，３０　学習部
　５，４０　パターン照合装置
　７，５２　品質評価部
　８，５４　スコア補正部
　９，５５　判定部
　２９，５１　特徴抽出部

Claims (9)

  1. 　パターン照合を行うパターンのサンプルであるサンプルパターンと、当該サンプルパターンを劣化処理した劣化パターンとの類似度を示す照合スコアを計算するスコア計算手段と、
    パターン照合を行う対象のパターンである照合対象パターンの劣化状態を評価する処理で利用する品質辞書を、前記算出された照合スコアと、前記劣化パターンとに基づいて学習する学習手段と
    を有する辞書学習装置。
  2. 　前記サンプルパターンを劣化処理することによって前記劣化パターンを生成する劣化処理手段をさらに有する請求項１記載の辞書学習装置。
  3. 　前記サンプルパターンと前記劣化パターンとのそれぞれの特徴を抽出する特徴抽出手段をさらに有し、
    　前記スコア計算手段は、それら抽出された前記サンプルパターンと前記劣化パターンとの特徴に基づいて、前記照合スコアを計算する請求項１又は請求項２記載の辞書学習装置。
  4. 　前記品質辞書は、前記照合対象パターンと、当該照合対象パターンに対応する非劣化状態の仮想パターンとの類似度を示す照合スコアを求める辞書である請求項１又は請求項２又は請求項３記載の辞書学習装置。
  5. 　前記サンプルパターンおよび前記劣化パターンは、画像パターン、あるいは、音声信号パターンである請求項１乃至請求項４の何れか一つに記載の辞書学習装置。
  6. 　請求項１乃至請求項５の何れか一つに記載の辞書学習装置によって学習された品質辞書と、
    　パターン照合を行う対象のパターンである照合対象パターンの劣化状態を前記品質辞書に基づいて評価する品質評価手段と、
    　前記辞書学習装置が照合スコアを計算する処理に相当する処理に基づいて、複数の前記照合対象パターン間の類似度を示す照合スコアを計算するスコア計算手段と、
    　前記品質評価手段による評価結果を利用して、前記照合スコアを補正するスコア補正手段と、
    補正後の前記照合スコアに基づいて、前記照合対象パターンの照合結果を判定する判定手段と
    を有するパターン照合装置。
  7. 　前記照合対象パターンの特徴を抽出する特徴抽出手段を有し、
    　前記スコア計算手段は、その抽出された照合対象パターンの特徴に基づいて、前記照合スコアを計算する請求項６記載のパターン照合装置。
  8. 　パターン照合を行うパターンのサンプルであるサンプルパターンと、当該サンプルパターンを劣化処理した劣化パターンとの類似度を示す照合スコアをコンピュータが計算し、
    　パターン照合を行う照合対象パターンの劣化状態を評価する処理で利用する品質辞書を、前記算出された照合スコアと、前記劣化パターンとに基づいてコンピュータが学習する辞書学習方法。
  9. 　パターン照合を行うパターンのサンプルであるサンプルパターンと、当該サンプルパターンを劣化処理した劣化パターンとの類似度を示す照合スコアを計算する処理と、
    　パターン照合を行う対象のパターンである照合対象パターンの劣化状態を評価する処理で利用する品質辞書を、前記算出された照合スコアと、前記劣化パターンとに基づいて学習する処理と
    をコンピュータに実行させる制御手順を記憶している記憶媒体。
PCT/JP2012/007929 2011-12-16 2012-12-12 辞書学習装置、パターン照合装置、辞書学習方法および記憶媒体 WO2013088707A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2013549117A JP6065842B2 (ja) 2011-12-16 2012-12-12 辞書学習装置、パターン照合装置、辞書学習方法およびコンピュータプログラム
US14/364,467 US9262694B2 (en) 2011-12-16 2012-12-12 Dictionary learning device, pattern matching apparatus, method for learning dictionary and storage medium

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2011275872 2011-12-16
JP2011-275872 2011-12-16

Publications (1)

Publication Number Publication Date
WO2013088707A1 true WO2013088707A1 (ja) 2013-06-20

Family

ID=48612181

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2012/007929 WO2013088707A1 (ja) 2011-12-16 2012-12-12 辞書学習装置、パターン照合装置、辞書学習方法および記憶媒体

Country Status (3)

Country Link
US (1) US9262694B2 (ja)
JP (1) JP6065842B2 (ja)
WO (1) WO2013088707A1 (ja)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015025704A1 (ja) * 2013-08-23 2015-02-26 日本電気株式会社 映像処理装置、映像処理方法および映像処理プログラム
JP2020508531A (ja) * 2017-09-08 2020-03-19 ジョンアン インフォメーション テクノロジー サービシズ カンパニー リミテッド 画像品質の評価方法及び画像品質の評価システム
WO2021136029A1 (zh) * 2019-12-31 2021-07-08 百果园技术(新加坡)有限公司 重打分模型训练方法及装置、语音识别方法及装置
US11443552B2 (en) 2016-03-17 2022-09-13 Kabushiki Kaisha Toshiba Image pattern similarity calculation device and recognition device

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3056138B1 (en) 2015-02-11 2020-12-16 Samsung Electronics Co., Ltd. Electrocardiogram (ecg)-based authentication apparatus and method thereof, and training apparatus and method thereof for ecg-based authentication
JP6333871B2 (ja) * 2016-02-25 2018-05-30 ファナック株式会社 入力画像から検出した対象物を表示する画像処理装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04123276A (ja) * 1990-09-14 1992-04-23 Fujitsu Ltd 指紋照合装置
JP2010026848A (ja) * 2008-07-22 2010-02-04 Hitachi Omron Terminal Solutions Corp 紙葉類識別装置
JP2011197902A (ja) * 2010-03-18 2011-10-06 Fujitsu Ltd 画像処理装置、画像処理方法及び画像処理用コンピュータプログラム

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0225898A (ja) * 1988-07-15 1990-01-29 Toshiba Corp 音声認識装置
CN100377171C (zh) * 2004-08-13 2008-03-26 富士通株式会社 生成劣化字符图像的方法和装置
JP4564804B2 (ja) 2004-08-31 2010-10-20 セコム株式会社 生体情報照合装置
JP2007140823A (ja) 2005-11-17 2007-06-07 Omron Corp 顔照合装置、顔照合方法及びプログラム
JP4749990B2 (ja) 2006-10-23 2011-08-17 三菱電機株式会社 音声認識装置
EP2129136A4 (en) * 2007-01-31 2016-04-13 Nec Corp IMAGE QUALITY EVALUATION PROCESS, IMAGE QUALITY EVALUATION DEVICE AND IMAGE QUALITY EVALUATION PROGRAM
JP4881278B2 (ja) * 2007-10-31 2012-02-22 株式会社東芝 物体認識装置及びその方法
JP2010129405A (ja) 2008-11-28 2010-06-10 Autonetworks Technologies Ltd 絶縁電線およびワイヤーハーネス
JP4981850B2 (ja) 2009-06-16 2012-07-25 日本電信電話株式会社 音声認識装置とその方法と、プログラムと記録媒体
US8948467B2 (en) * 2010-08-06 2015-02-03 Honeywell International Inc. Ocular and iris processing system and method

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04123276A (ja) * 1990-09-14 1992-04-23 Fujitsu Ltd 指紋照合装置
JP2010026848A (ja) * 2008-07-22 2010-02-04 Hitachi Omron Terminal Solutions Corp 紙葉類識別装置
JP2011197902A (ja) * 2010-03-18 2011-10-06 Fujitsu Ltd 画像処理装置、画像処理方法及び画像処理用コンピュータプログラム

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
GO KOTAKI: "Pattern Matching for Blurred Image Using Eigen Decomposed Template", THE INSTITUTE OF ELECTRICAL ENGINEERS OF JAPAN KENKYUKAI SHIRYO, 25 March 2011 (2011-03-25), pages 73 - 78 *
HIROYUKI ISHIDA: "Generative Learning Method for the Recognition of Low-Resolution Characters Using the Subspace Method", IEICE TECHNICAL REPORT, vol. 104, no. 90, 20 May 2004 (2004-05-20), pages 37 - 42 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015025704A1 (ja) * 2013-08-23 2015-02-26 日本電気株式会社 映像処理装置、映像処理方法および映像処理プログラム
JPWO2015025704A1 (ja) * 2013-08-23 2017-03-02 日本電気株式会社 映像処理装置、映像処理方法および映像処理プログラム
US10037466B2 (en) 2013-08-23 2018-07-31 Nec Corporation Video processing apparatus, video processing method, and video processing program
US11443552B2 (en) 2016-03-17 2022-09-13 Kabushiki Kaisha Toshiba Image pattern similarity calculation device and recognition device
JP2020508531A (ja) * 2017-09-08 2020-03-19 ジョンアン インフォメーション テクノロジー サービシズ カンパニー リミテッド 画像品質の評価方法及び画像品質の評価システム
WO2021136029A1 (zh) * 2019-12-31 2021-07-08 百果园技术(新加坡)有限公司 重打分模型训练方法及装置、语音识别方法及装置

Also Published As

Publication number Publication date
JPWO2013088707A1 (ja) 2015-04-27
US20140301634A1 (en) 2014-10-09
US9262694B2 (en) 2016-02-16
JP6065842B2 (ja) 2017-01-25

Similar Documents

Publication Publication Date Title
JP6065842B2 (ja) 辞書学習装置、パターン照合装置、辞書学習方法およびコンピュータプログラム
KR101365789B1 (ko) 얼굴 특징점 위치 보정 장치, 얼굴 특징점 위치 보정 방법, 및 얼굴 특징점 위치 보정 프로그램을 기록한 컴퓨터 판독가능 기록 매체
US8805002B2 (en) Method of determining reference features for use in an optical object initialization tracking process and object initialization tracking method
JP5766564B2 (ja) 顔認証装置及び顔認証方法
KR20020077257A (ko) 패턴 조합 장치와 그 패턴 조합 방법
JP4858612B2 (ja) 物体認識システム、物体認識方法および物体認識用プログラム
JP6833620B2 (ja) 画像解析装置、ニューラルネットワーク装置、学習装置、画像解析方法およびプログラム
US20140093142A1 (en) Information processing apparatus, information processing method, and information processing program
US20100239128A1 (en) Registering device, checking device, program, and data structure
JP5040835B2 (ja) 生体情報読取装置、生体情報読取方法および生体情報読取プログラム
US11526963B2 (en) Image processing apparatus, image processing method, and storage medium
WO2013122009A1 (ja) 信頼度取得装置、信頼度取得方法および信頼度取得プログラム
WO2014112346A1 (ja) 特徴点位置検出装置、特徴点位置検出方法および特徴点位置検出プログラム
JP2018147240A (ja) 画像処理装置、画像処理方法、及び画像処理プログラム
US20190188443A1 (en) Information processing apparatus, biometric authentication method, and recording medium having recorded thereon biometric authentication program
JP6194880B2 (ja) 情報処理装置、情報処理方法および記録媒体
US8483449B2 (en) Registration device, checking device, program, and data structure
CN113139564A (zh) 关键点检测模型的训练方法、装置、电子设备及存储介质
EP4156087A1 (en) Authentication method, authentication program, and authentication device
US8873810B2 (en) Feature-based method and system for blur estimation in eye images
CN113222480A (zh) 对抗样本生成模型的训练方法及装置
JP7348945B2 (ja) 情報処理方法、および、情報処理システム
JP6763408B2 (ja) 情報処理装置、情報処理方法、及び、プログラム
WO2021111832A1 (ja) 情報処理方法、情報処理システム及び情報処理装置
CN116663655B (zh) 一种对抗攻击的防御方法及电子设备

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 12858001

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2013549117

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 14364467

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 12858001

Country of ref document: EP

Kind code of ref document: A1